Mathématique et Automatique : de la boucle ouverte à la boucle fermée

1. Mathématique et Automatique :de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'Orléans Maitine.Bergounioux@labomath.univ-orleans.fr

2. Plan 1. Un peu de sémantique … 2. Dimension finie/ dimension infinie 3. Un peu d’optimisation en dimension finie 4. La commande optimale 5. Commande prédictive

3. 1. Un peu de sémantique … Contrôler: Vérifier (voir examiner, inspecter, vérifier) … Maîtriser, dominer . Commander : Exercer son autorité (voir contraindre, obliger) … Prescrire de manière autoritaire … Techn. Faire fonctionner : ce mécanisme commande l'ouverture des portes Contrôler ~ passif Commander ~ actif

4. Équation d’état Équation d’état Loi de commande Boucle ouverte/ boucle fermée Mathématicien boucle ouverte Entrée Sortie Automaticien boucle fermée Entrée Sortie bouclage

5. 2. Dimension finie / infinie A : X (Entrée) Y (Sortie) Système : Outils de l’automatique : filtres, fonction de transfert Exacte Contrôlabilité Approchée Et si on ne peut pas atteindre un objectif donné ? On fait « au mieux » Commande optimale

6. 3. Un peu d’optimisation en dimension finie Dimension Infinie Dimension Finie Discrétisation (EF, DF, POD,…) Problème continu Problème discret Algorithme continu Algorithme discret Discrétisation (EF, DF, POD,…) Solution continue Solution discrète

7. x* solution locale (resp. globale) de (P ) si

8. est le lagrangien du problème Conditions de Kuhn-Karush-Tucker (KKT) Si x* solution de (P) alors

9. état Espace d’état 4. La commande optimale 4.1 principe • On se donne : • Un espace de contrôles (ou commandes) : U • Un système dynamique décrit par son équation d’état : • x = F (u,t) • Des contraintes sur le contrôle : u  Uad U • Eventuellement des contraintes sur l’état : x  K  X • Une fonctionnelle coût (ou objectif) : J

10. L’équation d’état peut être • Une équation aux différences (espace d’état= espace de suites) • Une ou des équations différentielles (espace d’état = espace de fonctions à valeurs dans Rn: dimension finie) linéaires ou pas • Une ou des équations aux dérivées partielles (espace d’état = espace de fonctions à valeurs dans un autre espace de fonctions :dimension infinie) linéaires ou pas Problème de contrôle optimal = minimisation de J sous contraintes Equation d’état Contraintes sur le contrôle Contraintes sur l‘état

11. 4. La commande optimale 4.2 Exemple 1 Equation d’état = Equations différentielles Coût d’un problème à horizon fini : T de temps optimal

12. 4. La commande optimale 4.3 Exemple 2 

13. Problème de contrôle optimal Système d’optimalité Équation d’état Équation adjointe Projection Boucle fermée !!

14. 4. La commande optimale 4.3 Démarche « standard » du mathématicien • Modéliser et formuler le problème • Préciser le cadre fonctionnel • Prouver l’existence d’une solution • Discuter l’unicité (quitte à rajouter des contraintes) • « Caractériser » la solution par un système d’optimalité ou un principe de Pontryagin • Utiliser les conditions d’optimalité pour calculer explicitement ou numériquement la solution Il n’est donc pas question de loi de commande ni de boucle fermée…

15. 5. La commande prédictive 5.1 Principe But : faire de la commande en temps réel… on détermine un contrôle au temps to en résolvant un problème de contrôle optimal sur une horizon de prédiction : [to, to +T]. On n'utilise la commande trouvée que pour un temps voisin de to, et à l'instant [to+,to + +T] on résoud un nouveau problème de contrôle optimal. On a utilisé une fenêtre (ou un horizon) « glissante ». On obtient donc une suite de problèmes d'optimisation formulés et résolus en temps réel ce qui autorise la correction rapide des perturbations.…

16. Algorithme « standard » • Formulation du problème d'optimisation avec les données de l'étape k • Initialisation de la méthode de calcul de la solution • Itérations • Arrêt quand un critère d'arrêt est vérifié (ou quand un temps limite est atteint) • On donne la première valeur du contrôle à l'usine • On passe de k à k+1 et on retourne à 1.

17. 5. La commande prédictive 5.2. Itérations en temps réel Algorithme • Préparation de la kième itération en temps réel autant que possible sans la connaissance des données de l'étape k • Quand les données de l'étape k sont disponibles, on modifie le problème, et on fait les calculs qui permettent d'obtenir la première valeur du contrôle rapidement. • On donne cette valeur immédiatement à l'usine • On finit les calculs de la kième itération. • On passe de k à k+1 et on retourne à 1.

18. 5. La commande prédictive 5.3. Commande prédictive par modèle interne Boucle ouverte Boucle fermée

19. mathématiciens automaticiens Poursuite de trajectoires

20. Bibliographie M. Bergounioux,Optimisation et contrôle des systèmes linéaires, Dunod, 2001 M. Bergounioux, A quel moment peut-t'on discrétiser en contrôle optimal ?, Actes CIFA 2000, pp. 366-368, 2000 M. Diehl,Real -Time Optimization for Large Scale Nonlinear Processes, PhD thesis, Ruprecht-Karls-Universität, Heidelberg,2001 P. Dufour,Commande prédictive de systèmes non linéaires à paramètres répartis et applications, Thèse, Université d'Orléans, 2000 C.E. Garcia D.M. Prett et M. Morari,Model predictive control: Theory and practice- a survey, Automatica, pp. 25-335, 1989 J-L. Lions,Contrôle optimal des équations aux dérivées partielles,Dunod, Paris, 1968 M.Morari et E. Zafiriou,Robust Control, Dunod, 1983 P. Rouchon,Contrôle de systèmes décrits par des équations aux dérivées partielles : deux exemples types, Actes CIFA 2000, pp.988-1000, 2000